[发明专利]适用于储罐金属立面表面场景的深度学习语义分割方法

权利要求书

1.一种适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于包括以下步骤：

步骤1、采集制作储罐金属立面表面场景的数据集；

步骤2、构建包括输入层、卷积层、反卷积层、SoftMax层和输出层的语义分割网络模型；

步骤3、对储罐金属立面表面场景的数据集进行预处理，得到训练数据集和测试数据集；

步骤4、根据训练数据集和测试数据集对语义分割网络模型进行训练并生成图像；

所述步骤2的具体构建方法包括以下步骤：

步骤2.1、所述语义分割网络模型由一个输入层、三个卷积模块和残差连接模块、四个反卷积层、一个SoftMax层和一个输出层构成，三个卷积模块和八个残差连接模块共包括47个卷积层，每个卷积层后都进行Relu和BN操作，并进行Zero-Padding填充；

步骤2.2、特征图经第一个卷积层后，进入第一个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，将生成的两种特征图通过相加得到新的特征图A；

步骤2.3、特征图A进入第一个残差连接模块，通过三次卷积后生成特征图后与特征图A相加，生成特征图B；

步骤2.4、特征图B进入第二个残差连接模块，通过三次卷积后生成特征图后与特征图B相加，生成特征图C；

步骤2.5、特征图C进入第二个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，生成的两种特征图通过相加得到新的特征图D；

步骤2.6、特征图D进入第三个残差连接模块，通过三次卷积后生成特征图后与特征图D相加，生成特征图E；

步骤2.7、特征图E进入第四个残差连接模块，通过三次卷积后生成特征图后与特征图E相加，生成特征图F；

步骤2.8、特征图F进入第五个残差连接模块，通过三次卷积后生成特征图后与特征图F相加，生成特征图G；

步骤2.9、特征图G进入第三个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，生成的两种特征图并通过相加得到特征图H；

步骤2.10、特征图H进入第六个残差连接模块，一方面通过三次卷积后生成特征图后与特征图H相加，生成特征图I；

步骤2.11、特征图I进入第七个残差连接模块，通过三次卷积后生成特征图后与特征图I相加，生成特征图J；

步骤2.12、特征图J进入第八个残差连接模块，通过三次卷积后生成特征图后与特征图J相加，生成特征图K；

步骤2.13、特征图K进入ASPP模块，经过四个卷积层之后进行融合，生成特征图L；

步骤2.14、特征图L经过卷积层生成特征图M；

步骤2.15、特征图M经过一次反卷积之后生成特征图N；

步骤2.16、特征图N经过一次反卷积之后生成特征图O；

步骤2.17、特征图O与第一个卷积模块中三个卷积层中第一个卷积层的输出融合生成特征图P，特征图P经过卷积层后生成特征图Q；

步骤2.18、特征图Q经过一次反卷积之后生成特征图R；

步骤2.19、特征图R经过一次反卷积之后生成特征图S；

步骤2.20、特征图S经过SoftMax层，进入输出层，从而得到语义分割网络模型。

2.根据权利要求1所述的适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于：所述步骤1的具体实现方法为：首先采集储罐金属立面表面场景的消防喷淋管、加强圈、壁面、旋梯、排污管道和电线管道的图像并以不同颜色进行标注，然后对其进行数据增强和灰度化处理。

3.根据权利要求1所述的适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：

步骤3.1、利用标注软件做好对应图像的标签，准备训练数据集和测试数据集；

步骤3.2、将训练数据集和测试数据集的图像统一缩放到固定像素大小。